시간 척도에 따른 SARSA의 행동 가치 함수 분할: TD(Δ) 활용
본 논문에서는 기존 SARSA 알고리즘의 단일 할인 계수 제한을 극복하기 위해 시간 척도에 따라 행동 가치 함수를 분할하는 새로운 접근 방식인 SARSA(Δ)를 제안합니다.
선형 MDP를 위한 효율적이고 후회도가 낮은 온라인 강화 학습 알고리즘 (공간 효율성에 중점)
본 논문에서는 공간 효율성이 낮은 LSVI-UCB 알고리즘의 문제점을 개선하기 위해 학습 단계를 조절하는 두 가지 변형 알고리즘(LSVI-UCB-Fixed, LSVI-UCB-Adaptive)을 제안하고, 이들이 기존 알고리즘에 비해 공간 및 시간 효율성을 높이면서도 낮은 후회도를 유지하는 것을 이론적 분석과 실험을 통해 입증한다.
공배양에서 개체군 설정점 추적을 위한 강화 학습 향상
본 논문에서는 미생물 공배양에서 여러 개체군의 설정점을 효과적으로 추적하기 위해 새로운 보상 함수를 사용한 정책 경사 강화 학습 제어 방법을 제안합니다.
평균-분산 효율적인 강화 학습: 동적 금융 투자 적용 사례 연구
본 논문에서는 기존의 평균-분산 강화 학습 방법의 계산적 어려움을 해결하기 위해 기대 이차 효용 함수를 활용한 새로운 접근 방식을 제안하고, 이를 통해 효율적인 금융 투자 전략을 학습하는 방법을 제시합니다.
로봇의 정밀 물체 밀기 위한 메모리 기반 비전-고유수용성 강화 학습 모델
본 논문에서는 다양한 물리적 특성을 가진 물체를 정확하게 밀기 위해 메모리 기반 비전-고유수용성 강화 학습 모델을 제안하며, 이는 기존 모델 대비 수정 동작을 줄이고 실제 환경에서의 성능을 향상시킵니다.
차원의 저주를 극복한 근사 분해를 통한 강화 학습
본 논문에서는 마르코프 결정 프로세스(MDP)를 더 작고 독립적으로 진화하는 MDP로 근사적으로 분해하는 방법을 제안하여 고차원 상태 및 행동 공간에서 샘플 효율성이 높은 강화 학습 알고리즘을 개발합니다.
자율 운송을 위한 강화 학습 알고리즘의 강건성 평가: SAC 및 MuZero 비교
본 논문에서는 자율 운송, 특히 내륙 수로 운송(IWT)에서 모델 기반 및 모델 프리 강화 학습(RL) 알고리즘의 강건성을 비교 분석하여 복잡하고 예측 불가능한 환경에서 자율 주행 시스템의 안전성과 신뢰성을 향상시키는 데 기여하고자 합니다.
구조가 중요한 이유: 동적 정책 경사 (Dynamic Policy Gradient)
본 논문에서는 동적 프로그래밍을 정책 경사 방법과 직접 통합하여 MDP의 마르코프 속성을 효과적으로 활용하는 DynPG(Dynamic Policy Gradient)라는 새로운 프레임워크를 제안합니다. DynPG는 훈련 중 문제의 지평을 동적으로 조정하여 기존의 무한 지평 MDP를 일련의 문맥적 밴딧 문제로 분해합니다. 이러한 문맥적 밴딧을 반복적으로 해결함으로써 DynPG는 무한 지평 MDP의 고정 최적 정책으로 수렴합니다.
무관한 행동 마스킹을 통한 강화 학습 집중: 연속 행동 공간에서의 효율적인 학습
본 논문에서는 연속적인 행동 공간에서 작업 수행에 무관한 행동을 제외함으로써 강화 학습의 효율성을 향상시키는 방법을 제시합니다.
다항 로짓 함수 근사를 사용한 증명 가능하게 효율적인 강화 학습 (Provably Efficient Reinforcement Learning with Multinomial Logit Function Approximation) - 계산 및 통계적 효율성 향상
본 논문에서는 다항 로짓 함수 근사를 사용하여 상태 공간에 대한 유효한 확률 분포를 보장하는 새로운 MDP 클래스를 연구하여, 기존 연구의 계산 및 통계적 비효율성 문제를 해결하는 두 가지 알고리즘, UCRL-MNL-OL과 UCRL-MNL-LL을 제시하고, 이들의 효율성과 성능 향상을 이론적 및 실험적으로 검증합니다.
© 2024 by Linnk AI